Η AI ενισχύει την αναζήτηση για τις επόμενες γενιές βιώσιμων υλικών ψύξης

Στον κόσμο των υλικών, η θερμική νανοφωτονική είναι κρίσιμη για την επίτευξη θεμελιωδών προόδων σε τεχνολογικές εφαρμογές.

Η θερμική νανοφωτονική συνδυάζει τη νανοφωτονική και τη θερμική επιστήμη για να χειρίζεται και να ελέγχει τη μεταφορά θερμότητας σε νανοκλίμακα. Χρησιμοποιεί νανοδομές και υλικά για να προσαρμόζει την θερμική ακτινοβολία και τη ροή θερμότητας, οδηγώντας σε προόδους σε διάφορες εφαρμογές, όπως η συλλογή ενέργειας, η διαχείριση θερμότητας και η ανίχνευση.

Η νανοφωτονική ασχολείται με τη συμπεριφορά του φωτός σε νανομετρική κλίμακα. Τα νανοφωτονικά υλικά, εν τω μεταξύ, προσφέρουν φασματικό και κατευθυντικό έλεγχο της θερμικής εκπομπής.

Η παραδοσιακή μέθοδος εύρεσης τέτοιων υλικών εμποδίζεται από προσεγγίσεις δοκιμής‑σφάλματος, αλλά η εμφάνιση της μηχανικής μάθησης (ML) και της τεχνητής νοημοσύνης (AI) έχει φέρει επανάσταση στον τομέα της επιστήμης των υλικών, επιταχύνοντας σημαντικά τις διαδικασίες ανακάλυψης, σχεδίασης και βελτιστοποίησης υλικών.

Παρόλο που η τεχνολογία έχει δείξει τις ισχυρές της δυνατότητες στον σχεδιασμό νανοφωτονικών και μεταϋλικών, αποτελεί πρόκληση η ανάπτυξη μιας γενικής μεθοδολογίας σχεδίασης για την προσαρμογή εκπομπών υψηλής απόδοσης με υπερ‑ευρυζωνικό έλεγχο και ακριβή επιλογή ζώνης.

Αυτό οφείλεται στον περιορισμό από παραδοσιακούς αλγόριθμους, παγίδες τοπικής βελτιστοποίησης και προκαθορισμένες γεωμετρίες και υλικά.

Ωστόσο, αυτό αντιμετωπίζεται πλέον από επιστήμονες του Πανεπιστημίου του Τέξας στο Όστιν, που συνεργάστηκαν με ερευνητές του Πανεπιστημίου Umeå στη Σουηδία, του Εθνικού Πανεπιστημίου της Σιγκαπούρης και του Πανεπιστημίου Σαγκάης Jiao Tong.

Μαζί, σχεδίασαν μια τεχνική ML¹ για το σχεδιασμό πολύπλοκων, τρισδιάστατων θερμικών μετα‑εκπομπούς.

Οι μετα‑εκπομποί είναι μηχανημένα υλικά σχεδιασμένα για να ελέγχουν και να χειρίζονται την ηλεκτρομαγνητική ακτινοβολία, προσφέροντας εφαρμογές στην ενεργειακή αποδοτικότητα και τη διαχείριση θερμότητας.

«Το πλαίσιο μηχανικής μάθησης μας αποτελεί σημαντικό άλμα προς τα εμπρός στον σχεδιασμό θερμικών μετα‑εκπομπούς. Αυτοματοποιώντας τη διαδικασία και επεκτείνοντας το χώρο σχεδίασης, μπορούμε να δημιουργήσουμε υλικά με ανώτερη απόδοση που προηγουμένως ήταν αδιανόητα.»

– Συνεργαζόμενος ερευνητής της μελέτης Yuebing Zheng, καθηγητής στο Τμήμα Μηχανολογικής Μηχανικής Walker του Cockrell School of Engineering

Υλικά με Τεχνητή Νοημοσύνη για Κλιματικά Ανθεκτικό Σχεδιασμό Πόλεων

Δημοσιεύτηκε στο Nature, η μελέτη περιγράφει το νέο πλαίσιο βασισμένο σε ML που βοήθησε στον σχεδιασμό υλικών που μπορούν να μειώσουν τις εσωτερικές θερμοκρασίες και, κατά συνέπεια, το κόστος ενέργειας.

Χρησιμοποιώντας το πλαίσιο τους, οι επιστήμονες κατάφεραν να δημιουργήσουν πάνω από 1.500 νέα υλικά που μπορούν να εκπομπούν θερμότητα επιλεκτικά με ελεγχόμενο τρόπο. Μπορούν επίσης να προσφέρουν μεγαλύτερη ακρίβεια στη θέρμανση και ψύξη για βελτιωμένη ενεργειακή αποδοτικότητα.

Το πλαίσιο τους μπορεί να σχεδιάσει υπερ‑ευρυζωνικούς και ζωνο‑επιλεκτικούς θερμικούς μετα‑εκπομπούς βελτιστοποιώντας πολλαπλές παραμέτρους με περιορισμένα δεδομένα που καλύπτουν τη διαφορετικότητα των υλικών και την τρισδιάστατη δομική πολυπλοκότητα.

Σύμφωνα με τη μελέτη, η αρχιτεκτονική τους επιτρέπει διπλές δυνατότητες σχεδίασης. Πρώτον, αυτοματοποιεί τον αντίστροφο σχεδιασμό ενός πλήθους πιθανών μεταδομών καθώς και συνδυασμών υλικών για φασματική προσαρμογή. Δεύτερον, διαθέτει «απρόσμενη ικανότητα» να σχεδιάζει διαφορετικούς τρισδιάστατους μετα‑εκπομπούς εφαρμόζοντας μια μέθοδο τριών επιπέδων μοντελοποίησης που ξεπερνά τους περιορισμούς των παραδοσιακών, επίπεδων, 2Δ δομών.

Στη μελέτη τους, η ομάδα παρουσιάζει επτά μετα‑εκπομπούς απόδειξης της έννοιας που δείχνουν ανώτερη οπτική και ακτινοβολική ψυκτική απόδοση, υπερβαίνοντας τα τρέχοντα προηγμένα σχέδια. Οι επτά κατηγορίες μετα‑εκπομπούς προσαρμόζονται σε συγκεκριμένες λειτουργίες.

Το γενικεύσιμο πλαίσιο που αναπτύχθηκε προορίζεται για την κατασκευή τρισδιάστατων νανοφωτονικών υλικών, τα οποία οι ερευνητές σημείωσαν ότι «διευκολύνει τη παγκόσμια βελτιστοποίηση μέσω επεκταμένης γεωμετρικής ελευθερίας και διαστατικότητας καθώς και μιας ολοκληρωμένης βάσης δεδομένων υλικών».

Τώρα, για να αξιολογήσουν τη βιωσιμότητα του συστήματος σχεδίασής τους, οι ερευνητές παρήγαγαν τέσσερα δείγματα υλικών και έπειτα έλεγξαν την απόδοσή τους.

Ένα από τα υλικά μετα‑εκπομπού εφαρμόστηκε στην οροφή ενός μοντέλου σπιτιού. Για να αναλύσουν την ψυκτική του ικανότητα, το υλικό συγκρίθηκε με τα τυπικά εμπορικά λευκά και γκρι χρώματα. Ό,τι παρατήρησαν οι ερευνητές μετά από τέσσερις ώρες άμεσης ηλιακής ακτινοβολίας στο μεσημέρι, ήταν ότι το νέο υλικό ήταν, κατά μέσο όρο, 5 έως 20 °C πιο δροσερό από τα παραδοσιακά χρώματα.

Βάσει αυτού, η ομάδα εκτιμά ότι το υλικό τους θα εξοικονομήσει περίπου 15.800 kWh ετησίως σε κόστη ψύξης για ένα πολυκατοικία σε μια ζεστή πόλη όπως η Μπανγκόκ. Ένα τυπικό κλιματιστικό καταναλώνει συνήθως περίπου 1.500 kWh ετησίως.

Έτσι, τα υλικά που δημιούργησε η ομάδα μπορούν να χρησιμοποιηθούν για εξοικονόμηση ενέργειας σε κατοικίες και εμπορικούς χώρους. Στις πόλεις, μπορούν να βοηθήσουν στη μείωση των θερμοκρασιών αντανακλώντας το ηλιακό φως και απελευθερώνοντας θερμότητα σε στοχευμένα μήκη κύματος. Με αυτόν τον τρόπο, το υλικό μπορεί ενδεχομένως να μειώσει το φαινόμενο αστικού θερμικού νησιού που προκαλείται από περιορισμένη πράσινη κάλυψη και πυκνές δομές σκυροδέματος.

Αλλά αυτό δεν είναι το πλήρες εύρος χρήσης τους. Το υλικό μπορεί επίσης να χρησιμοποιηθεί σε διαστημικές εφαρμογές, όπου διαχειρίζεται αποτελεσματικά την εισερχόμενη ηλιακή ακτινοβολία και την εκπεμπόμενη θερμότητα, βοηθώντας στη ρύθμιση των θερμοκρασιών των διαστημοπλοίων.

Οι περιπτώσεις χρήσης των θερμικών μετα‑εκπομπούς εκτείνονται πολύ πέρα από αυτό. Για παράδειγμα, ενσωματώνοντάς τα σε υφάσματα και υφασμάτινα προϊόντα, μπορούμε να βελτιώσουμε την τεχνολογία ψύξης σε ρούχα και εξοπλισμό εξωτερικού χώρου.

Τα αυτοκίνητα είναι ακόμη μια περίπτωση. Περιτυλίγοντας τα αυτοκίνητα με θερμικούς μετα‑εκπομπούς και ενσωματώνοντάς τα στα εσωτερικά υλικά, η θερμότητα που συσσωρεύεται όταν τα αυτοκίνητα μένουν στον ήλιο μπορεί επίσης να μειωθεί.

Παρά τα πολλά πλεονεκτήματά τους, αυτά τα υλικά δεν έχουν καταφέρει να υιοθετηθούν ευρέως λόγω της επίπονης διαδικασίας σχεδίασής τους, και ακόμη και οι αυτοματοποιημένες επιλογές αντιμετωπίζουν δυσκολίες στην αντιμετώπιση της πολύπλοκης 3Δ ιεραρχικής δομής τους. Αλλά όλα αυτά μπορούν τελικά να αλλάξουν με το τελευταίο πλαίσιο AI.

«Παραδοσιακά, ο σχεδιασμός αυτών των υλικών ήταν αργός και απαιτητικός σε εργασία, βασιζόμενος σε μεθόδους δοκιμής‑σφάλματος. Αυτή η προσέγγιση συχνά οδηγεί σε υποβέλτιστα σχέδια και περιορίζει τη δυνατότητα δημιουργίας υλικών με τις απαραίτητες ιδιότητες για να είναι αποτελεσματικά.»

– Zheng

Ως εκ τούτου, οι ερευνητές θα συνεχίσουν να εργάζονται στην τεχνολογία τους, βελτιώνοντάς την και εφαρμόζοντάς την σε πρόσθετες πτυχές της νανοφωτονικής.

«Η μηχανική μάθηση μπορεί να μην είναι η λύση σε όλα, αλλά οι μοναδικές φασματικές απαιτήσεις της διαχείρισης θερμότητας την καθιστούν ιδιαίτερα κατάλληλη για το σχεδιασμό υψηλής απόδοσης θερμικών εκπομπών.»

– Συγγραφέας‑συνεργάτης Kan Yao

Πώς η AI Επιταχύνει την Ανακάλυψη Νέων Υλικών

Επικεντρωμένη στη δομή, τις ιδιότητες, την επεξεργασία και την απόδοση των υλικών, η επιστήμη των υλικών αποτελεί το θεμέλιο για τα πάντα, από την αεροδιαστημική, την ηλεκτρονική και την ενέργεια έως την ιατρική και πολλούς άλλους τομείς.

Στην πραγματικότητα, η ανακάλυψη και ανάπτυξη νέων υλικών ήταν κρίσιμη για τη διαμόρφωση της ανθρώπινης ιστορίας για αιώνες, προωθώντας την τεχνολογία.

Για δεκαετίες, βασιζόμασταν στην προσέγγιση δοκιμής‑σφάλματος για να βρούμε νέα ανόργανα υλικά με ευνοϊκές ιδιότητες. Αυτή η προσέγγιση είναι εξαιρετικά απαιτητική σε πόρους, απαιτώντας εκατοντάδες χιλιάδες ώρες πειραμάτων για να εντοπιστούν και στη συνέχεια να συνθεθούν μόνο λίγα πιθανά νέα υλικά.

Η πολυπλοκότητα των υλικών σε μοριακό και ατομικό επίπεδο είναι αυτό που κάνει την ανακάλυψη νέων υλικών μια μακρά και ακριβή διαδικασία. Έτσι, η αυξημένη διαθεσιμότητα υπερυπολογιστών άλλαξε την επιστήμη των υλικών, επιτρέποντας τη προσομοίωση της συμπεριφοράς των υλικών.

Και τώρα, η άφιξη της AI οδηγεί σε μια επανάσταση στον τομέα, επιταχύνοντας την υπολογιστική προσέγγιση στην επιστήμη των υλικών. Παρέχοντας τις επιθυμητές ιδιότητες για ένα υλικό καθώς και περιορισμούς, τα γενετικά συστήματα AI μπορούν πλέον να δημιουργούν εντελώς νέα υλικά.

Τελικά, τα σύγχρονα προχωρημένα μοντέλα, εκπαιδευμένα σε τεράστιες βάσεις δεδομένων, όταν συνδυάζονται με υπολογιστική υψηλής διαπερατότητας, μπορούν να ελέγξουν γρήγορα υποψήφια υλικά έναντι των επιθυμητών παραμέτρων, προβλέποντας έτσι τις ιδιότητες πολλών ουσιών σε πολύ σύντομο χρόνο.

Η AI δεν μπορεί μόνο να εξοικονομήσει σημαντικό χρόνο ανάπτυξης και ανθρώπινους και υλικούς πόρους, αλλά μπορεί επίσης να το κάνει ενώ ικανοποιεί ακριβώς τις σύνθετες και ποικίλες απαιτήσεις της αγοράς.

Όπως η Kristin Persson, καθηγήτρια στην επιστήμη των υλικών στο Πανεπιστήμιο της Καλιφόρνια, Berkeley, σημείωσε, βρισκόμαστε αυτή τη στιγμή σε ένα παράδειγμα όπου η επιστήμη καθοδηγείται από μεγάλα δεδομένα και AI. Σήμερα, έχουμε αρκετά δεδομένα για να εκπαιδεύσουμε αλγόριθμους μηχανικής μάθησης, και «αυτό φέρνει ένα εντελώς νέο επίπεδο ταχύτητας όσον αφορά την καινοτομία», είπε. σημείωσε.

Παράλληλα, η AI ωφελείται επίσης από την ανακάλυψη νέων υλικών. Η AI είναι διψασμένη για δεδομένα, και ο τομέας της επιστήμης των υλικών στερείται δεδομένων. Χρησιμοποιώντας αυτήν την τεχνολογία, μπορούν να προσομοιωθούν οι ιδιότητες των υλικών, και τα προκύπτοντα δεδομένα να χρησιμοποιηθούν για την εκπαίδευση μοντέλων μηχανικής μάθησης.

Η Persson ηγείται επί του παρόντος της πολυ‑ιδρυματικής, πολυ‑εθνικής προσπάθειας που ονομάζεται Materials Project, η οποία αξιοποιεί υπερυπολογιστές και προχωρημένες προσομοιωτικές μεθόδους για τον υπολογισμό των ιδιοτήτων όλων των γνωστών ανόργανων υλικών και πέραν αυτών. Τα δεδομένα διατίθενται ελεύθερα για το σχεδιασμό νέων υλικών.

Κάντε κλικ εδώ για να μάθετε για τις προσαρμοστικές κεραμίδες οροφής που μπορούν να βοηθήσουν στη μείωση της κατανάλωσης ενέργειας θέρμανσης/ψύξης.

Ανακαλύψεις στην Εξέλιξη Υλικών με Βάση την AI

Οι ερευνητές του Τμήματος Μηχανικής του Πανεπιστημίου του Τορόντο παρουσίασαν ένα νέο εργαλείο παρουσίασαν ένα νέο εργαλείο² που προβλέπει πώς ένα νέο υλικό θα μπορούσε να χρησιμοποιηθεί καλύτερα, προκειμένου να μειωθεί η καθυστέρηση μεταξύ της ανακάλυψης ενός υλικού και της εφαρμογής του.

Το πολυμορφικό εργαλείο AI χρησιμοποιεί δεδομένα πρώιμου σταδίου για να προβλέψει τη δυνητική πραγματική χρήση ενός νέου υλικού, εστιάζοντας σε μια συγκεκριμένη κατηγορία πορώδους υλικού που ονομάζεται μεταλλικο‑οργανικά πλαίσια (MOFs).

Μόλις πέρυσι, οι ερευνητές ανέπτυξαν πάνω από 5.000 διαφορετικούς τύπους αυτών των υλικών, που έχουν ρυθμιζόμενες ιδιότητες, σημείωσε ο επικεφαλής της μελέτης, καθηγητής Seyed Mohamad Moosavi από το Πανεπιστήμιο του Τορόντο (ChemE). Πρόσθεσε ότι η πρόκληση είναι ότι ένα MOF που δημιουργείται για μια συγκεκριμένη εφαρμογή συχνά αποδεικνύεται ότι έχει κατάλληλες ιδιότητες για εντελώς διαφορετική.

«Στην ανακάλυψη υλικών, η τυπική ερώτηση είναι, «Ποιο είναι το καλύτερο υλικό για αυτήν την εφαρμογή;» είπε ο Moosavi. «Αλλάξαμε την ερώτηση και ρωτήσαμε, «Ποια είναι η καλύτερη εφαρμογή για αυτό το νέο υλικό;» Με τόσα πολλά υλικά που παράγονται καθημερινά, θέλουμε να μετατοπίσουμε την εστίαση από το «ποιο υλικό θα φτιάξουμε επόμενα» στο «ποια αξιολόγηση πρέπει να κάνουμε επόμενη».»

Έτσι, ο φοιτητής PhD του ChemE, Sartaaj Khan, ανέπτυξε ένα πολυμορφικό σύστημα μηχανικής μάθησης εκπαιδευμένο σε διάφορους τύπους δεδομένων. Η πολυμορφικότητα ήταν κλειδί εδώ, καθώς έδωσε στο μοντέλο «μια πιο ολοκληρωμένη εικόνα» για να κάνει πιο ακριβείς προβλέψεις χωρίς να απαιτείται μετα‑σύνθεση.

Οι ερευνητές του Εθνικού Εργαστηρίου Argonne, εν τω μεταξύ, χρησιμοποίησαν ένα γενετικό μοντέλο AI διάχυσης για να δημιουργήσουν πάνω από 120.000 MOF³ υποψήφια σε λίγο περισσότερο από μισή ώρα χρησιμοποιώντας υπερυπολογιστή. Το τροποποιημένο νευρωνικό δίκτυο μείωσε τον αριθμό των MOF σε 364, που θεωρούνταν υψηλών επιδόσεων.

Με μερικές επιπλέον ημέρες και περαιτέρω υπολογιστική ανάλυση, η ομάδα βρήκε 102 σταθερά MOF στο σύνολο δεδομένων. 6 από αυτά είχαν χωρητικότητα CO2 που κατατάσσεται μεταξύ του κορυφαίου 5 % των υλικών στη δημοφιλή βάση δεδομένων hMOF.

Σε ένα άλλο παράδειγμα, επιστήμονες χρησιμοποίησαν AI για να σχεδιάσουν εντελώς νέα νανοϋλικά⁴ που είναι τόσο ελαφριά όσο το στυροπλαστικό, ενώ έχουν τη δύναμη του άνθρακα χάλυβα.

Η αντοχή και η σκληρότητα τείνουν να είναι αντίθετες σε πολλά υλικά, συμπεριλαμβανομένων των νανο‑αρχιτεκτονικών, που αποτελούνται από υπερ‑μικρά δομικά στοιχεία. Όταν επαναλαμβάνονται, αυτά τα δομικά στοιχεία κάνουν το υλικό ισχυρό, αλλά μπορούν επίσης να προκαλέσουν συγκεντρώσεις τάσης που οδηγούν σε ξαφνικές ρωγμές.

Για να βρουν καλύτερους τρόπους σχεδίασης νανοϋλικών, οι ερευνητές προσομοίωσαν πιθανές γεωμετρίες και στη συνέχεια τις πέρασαν από έναν αλγόριθμο που έμαθε από τα σχέδιά τους για να προβλέψει τα καλύτερα σχήματα για ομοιόμορφη κατανομή των εφαρμοσμένων τάσεων ενώ μεταφέρει βαρύ φορτίο.

Οι ερευνητές χρησιμοποίησαν 3Δ εκτυπωτή για να ζωντανέψουν αυτά τα σχήματα και διαπίστωσαν ότι μπορούν να αντέξουν μια τάση 2,03 MPa ανά κυβικό μέτρο ανά κιλό, που είναι πέντε φορές μεγαλύτερη από αυτή του τιτανίου.

Οι ερευνητές βλέπουν την πιθανή εφαρμογή τους ως υπερ‑ελαφριά εξαρτήματα σε αεροδιαστημικές εφαρμογές για τη μείωση της ζήτησης καυσίμου και του υψηλού αποτυπώματος άνθρακα της πτήσης.

«Αυτή είναι η πρώτη φορά που η μηχανική μάθηση εφαρμόστηκε για τη βελτιστοποίηση νανο‑αρχιτεκτονικών υλικών, και ήμασταν σοκαρισμένοι από τις βελτιώσεις. Δεν απλώς αντιγράφει επιτυχημένες γεωμετρίες από τα δεδομένα εκπαίδευσης· έμαθε από τις αλλαγές στα σχήματα που λειτούργησαν και αυτές που δεν λειτούργησαν, επιτρέποντάς της να προβλέπει εντελώς νέες γεωμετρίες πλέγματος.»

Η ανακάλυψη υλικών με βάση την AI χρησιμοποιείται επίσης εκτενώς για τον αστικό προγραμματισμό. Μια συνεργατική έρευνα⁵ από το Πανεπιστήμιο Πεκίνγκ και το Πανεπιστήμιο της Νότιας Δανίας ανέπτυξε ένα προηγμένο πλαίσιο που ενσωματώνει τη βαθιά μάθηση με την απομακρυσμένη ανίχνευση για την ταυτοποίηση υλικών κτιρίων με πρωτοφανή ακρίβεια.

Πέρα από την ενεργειακή αποδοτικότητα, η AI μπορεί να ενισχύσει τον αστικό προγραμματισμό βοηθώντας στην περιβαλλοντική παρακολούθηση και διατήρηση, την ανάπτυξη στέγασης και υποδομών, καθώς και στην δημόσια ασφάλεια και την ανταπόκριση σε καταστροφές.

Κάντε κλικ εδώ για να μάθετε για τις ανεξάρτητες ανεμιστήρες, που συχνά αναφέρονται ως το μέλλον της καθαρής ενέργειας.

Επένδυση στην Ανακάλυψη Υλικών με Βάση την AI

Αν εξετάσουμε το επενδυτικό δυναμικό της AI, είναι τεράστιο, με την αγορά να προβλέπεται ότι θα αξίζει τρισεκατομμύρια τα επόμενα χρόνια. Όσον αφορά τις εταιρείες που ηγούνται αυτής της τεχνολογικής προόδου, ειδικά στην επιστήμη των υλικών, δύο ονόματα ξεχωρίζουν: η Microsoft (MSFT ) και η Google (Alphabet Inc.), οι οποίες έχουν λανσάρει τα δικά τους μοντέλα για να ενισχύσουν την κλίμακα και την ακρίβεια της έρευνας υλικών. Ωστόσο, για τους σκοπούς αυτού του άρθρου, θα εστιάσουμε στην Alphabet Inc.

Alphabet Inc. (GOOG )

Τέλος του 2023, η DeepMind της Google κυκλοφόρησε ένα εργαλείο AI που ονομάζεται Graph Networks for Materials Exploration (Gnome) για την επιτάχυνση της διαδικασίας ανακάλυψης υλικών. Τότε, ανέφερε ότι βρήκε 2,2 εκατομμύρια νέα κρύσταλλα με τη βοήθεια του εργαλείου βαθιάς μάθησης.

Αυτό, σημείωσε η Google, είναι «ισοδύναμο με περίπου 800 ετών γνώσης και δείχνει μια πρωτοφανή κλίμακα και επίπεδο ακρίβειας στις προβλέψεις». Τα νεοανακαλυφθέντα κρύσταλλα περιλάμβαναν 380.000 σταθερά υλικά, καθιστώντας τα υποσχόμενους υποψήφιους για πειραματική σύνθεση και ικανά να τροφοδοτήσουν μελλοντικές τεχνολογίες.

Το μοντέλο Gnome είναι ένα μοντέλο γραφικού νευρωνικού δικτύου (GNN), όπου τα εισερχόμενα δεδομένα αναπαρίστανται ως γράφος. Το Gnome εκπαιδεύτηκε σε δεδομένα από το Materials Project, συμπεριλαμβανομένων των κρυσταλλικών δομών και της σταθερότητάς τους, για να δημιουργήσει νέους υποψήφιους κρυστάλλους και να προβλέψει τη σταθερότητά τους.

Η Google αξιολόγησε τη προβλεπτική της δύναμη ελέγχοντας επανειλημμένα την απόδοσή της χρησιμοποιώντας τη Θεωρία Πυκνότητας Λειτουργίας (DFT). Για τη «διαδικασία εκπαίδευσης», χρησιμοποίησε τη «ενεργή μάθηση», όπου τα προκύπτοντα δεδομένα τροφοδοτήθηκαν πίσω στο μοντέλο, ενισχύοντας σημαντικά την απόδοση του Gnome.

Η ακρίβεια πρόβλεψης σταθερότητας του μοντέλου, σύμφωνα με τη Google, αυξήθηκε από 50 % σε 80 %. Η αποδοτικότητα του μοντέλου, εν τω μεταξύ, αυξήθηκε από κάτω του 10 % σε πάνω από 80 %.

Επιπλέον, περίπου 736 υλικά που προβλέφθηκαν από το Genome έχουν συνθεθεί ανεξάρτητα από εξωτερικούς ερευνητές. Η Google συνεργάστηκε επίσης με το Εθνικό Εργαστήριο Lawrence Berkeley για τη σύνθεση 41 νέων υλικών, επιβεβαιώνοντας τη δύναμη πρόβλεψης του εργαλείου και τη δύναμη της αυτόνομης πειραματικής διαδικασίας.

Τώρα, ας ρίξουμε μια ματιά στην απόδοση του γιγαντιού με κεφαλαιοποίηση αγοράς 2,2 τρισεκατομμυρίων δολαρίων. Κατά τη συγγραφή, οι μετοχές του διαπραγματεύονται περίπου στα 182 δολάρια, με πτώση 3,86 % ετησίως. Έχει κέρδη ανά μετοχή (TTM) 8,97 και λόγο τιμής προς κέρδη (TTM) 20,29. Η απόδοση μερίσματος είναι 0,46 %.

Όσον αφορά τα οικονομικά της εταιρείας, η μητρική εταιρεία της Google, Alphabet, ανέφερε έσοδα 90,2 δισεκατομμυρίων δολαρίων για το πρώτο τρίμηνο που έληξε στις 31 Μαρτίου 2025. Τα κέρδη ανά μετοχή ήταν 2,81 δολάρια. Αυτοί οι αριθμοί, δήλωσε ο Διευθύνων Σύμβουλος Sundar Pichai, «αντικατοπτρίζουν υγιή ανάπτυξη και ορμή σε όλη την επιχείρηση. Η βάση αυτής της ανάπτυξης είναι η μοναδική μας προσέγγιση full‑stack στην AI».

Τελευταία Νέα και Εξελίξεις για τις Μετοχές της Alphabet Inc. (GOOG)

Συμπέρασμα

Η AI μετασχηματίζει κάθε πτυχή της ζωής μας, συμπεριλαμβανομένου του τρόπου με τον οποίο σχεδιάζουμε υλικά που διαμορφώνουν το μέλλον μας. Η ενσωμάτωση της τεχνολογίας στην επιστήμη των υλικών αντιπροσωπεύει μια πραγματική αλλαγή παραδείγματος, επιταχύνοντας τις ανακαλύψεις που κάποτε χρειάζονταν χρόνια για να ωριμάσουν, τώρα σε ημέρες ή ακόμη και ώρες.

Απλά, η AI οδηγεί το άμεσο μέλλον της καινοτομίας στα υλικά, χρησιμοποιώντας τεράστιες βάσεις δεδομένων, υπολογιστική υψηλής διαπερατότητας και γενετικά μοντέλα, επιτρέποντας στους ερευνητές να προβλέπουν, σχεδιάζουν και βελτιστοποιούν νέα υλικά με πρωτοφανή αποδοτικότητα και ακρίβεια.

Κάντε κλικ εδώ για να μάθετε για τις μετοχές καθαρής ενέργειας με περιβαλλοντική εστίαση.

Παραπομπές:

1. Xiao, C.; Liu, M.; Yao, K.; et al. Υπερ‑ευρυζωνικοί και ζωνο‑επιλεκτικοί Θερμικοί Μετα‑Εκπομποί με Μηχανική Μάθηση. Nature 2025, 643, 80–88. https://doi.org/10.1038/s41586-025-09102-y
2. Khan, S. T.; Moosavi, S. M. Σύνδεση της Σύνθεσης Μεταλλικο‑Οργανικών Πλαισίων με Εφαρμογές Χρησιμοποιώντας Πολυμορφική Μηχανική Μάθηση. Nature Communications 2025, 16, 5642. https://doi.org/10.1038/s41467-025-60796-0
3. Park, H.; Yan, X.; Zhu, R.; et al. Γενετικό Πλαίσιο Τεχνητής Νοημοσύνης Βασισμένο σε Μοριακό Μοντέλο Διάχυσης για το Σχεδιασμό Μεταλλικο‑Οργανικών Πλαισίων για Συλλογή Άνθρακα. Communications Chemistry 2024, 7, 21. https://doi.org/10.1038/s42004-023-01090-2
4. Serles, P.; Yeo, J.; Haché, M.; Demingos, P. G.; Kong, J.; Kiefer, P.; Dhulipala, S.; Kumral, B.; Jia, K.; Yang, S.; Feng, T.; Jia, C.; Ajayan, P. M.; Portela, C. M.; Wegener, M.; Howe, J.; Singh, C. V.; Zou, Y.; Ryu, S.; Filleter, T. Υπέρτατη Ειδική Δύναμη μέσω Βαϊσιανής Βελτιστοποίησης των Άνθρακα Νανόπλεγματος. Advanced Materials 2025, 37 (14), e2410651. https://doi.org/10.1002/adma.202410651
5. Sun, K.; Li, Q.; Liu, Q.; Song, J.; Dai, M.; Qian, X.; Gummidi, S. R. B.; Yu, B.; Creutzig, F.; Liu, G. Αποκωδικοποίηση του Αστικού Υφάσματος: Υψηλής Ακρίβειας Αναγνώριση Υλικών Κτιρίων μέσω Βαθιάς Μάθησης και Απομακρυσμένης Αισθητήριας. Environmental Science & Ecotechnology 2025, 24, 100538. https://doi.org/10.1016/j.ese.2025.100538
6. Merchant, A.; Batzner, S.; Schoenholz, S. S.; et al. Κλιμάκωση της Βαθιάς Μάθησης για την Ανακάλυψη Υλικών. Nature 2023, 624, 80–85. https://doi.org/10.1038/s41586-023-06735-9